Physics-inspired Generative AI models via real hardware-based noisy quantum diffusion
本文提出并实现了两种受物理启发的量子扩散模型协议，这些协议利用量子随机游走以及来自真实 IBM 量子硬件的内在噪声来生成性能更佳的 MNIST 图像，证明了在近期的量子生成式人工智能中，量子噪声可以被作为一种有用的资源而非一种限制来加以利用。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在快速发展的人工智能领域，一种专门擅长创造全新、原创内容的计算机程序脱颖而出。这些被称为生成模型的系统，通过学习现有数据集合（例如数千张照片）中的隐藏模式，并利用这些知识来发明看起来同样真实的全新图像。实现这一目标最强大的方法之一被称为扩散模型。想象一个过程：一张清晰的图像被一步步地转化为静态噪声，就像电视机的雪花点一样。扩散模型学习如何逆转这个过程。它经过训练，能够从充满随机噪声的屏幕开始，逐步剥离混乱，直到一张连贯的图像显现出来。这种技术已成为现代创意技术的基石，能够产生令人惊叹的视觉效果和声音。
与此同时，科学家们正在探索一种基于量子力学奇特规则的不同类型的计算能力。与我们日常使用的、以简单的“开”或“关”开关处理信息的计算机不同，量子计算机使用可以同时存在于多种状态中的粒子。这使得它们能够以经典机器无法实现的方式解决某些复杂问题。然而，目前的量子计算机仍处于早期阶段。它们规模小、脆弱，且容易受到被称为“量子噪声”现象的影响而产生错误。这种噪声通常会干扰计算，迫使研究人员投入巨大资源试图修复或隐藏它。驱动着一条新研究方向的问题是：这些带有噪声的机器尽管存在缺陷，是否仍能发挥作用，还是必须等到它们变得完美之后才具有价值。
来自佛罗伦萨大学及其他机构的一个研究小组采取了大胆的举措来回答这个问题。他们并没有试图消除量子计算机中的噪声，而是决定将其作为一种工具。他们开发了一种新的构建方式，用于构建一个直接在真实的、不完美的量子处理器上运行的图像生成人工智能。他们的工作表明，原本会破坏量子计算的噪声，实际上可以帮助生成式模型创造出比纯经典方法更好的图像。通过将量子噪声视为一种特性而非漏洞，他们展示了一条通往人工智能的发展路径，这条路径是与我们现有的硬件协作，而不是等待未来的硬件。
研究人员首先研究了信息如何在网络中移动。在他们的模型中，他们将图像的每个像素视为一个在地图上移动的旅行者。在标准计算机中，这个旅行者的移动是随机的，就像一个人通过抛硬币来决定下一步走哪条街一样。这是一个缓慢的扩散过程。然而，在量子系统中，旅行者可以同时存在于许多地方，以波动的模式在地图上扩散，速度要快得多。该团队创建了一个混合系统，其中旅行者的运动是经典计算机缓慢、随机的步骤与量子计算机快速、波动式扩散的结合。他们发现，当他们恰到好处地平衡这两种行为时，系统探索图像可能性的效率更高。
为了测试这一点，他们专注于生成手写数字的图像，这是人工智能的一项标准测试。他们用这种新的量子启发方法取代了标准人工智能过程中的随机噪声注入步骤。在研究的第一部分，他们在强大的经典计算机上模拟了这个过程，以观察不同比例的量子与经典行为的表现如何。他们发现，一种特定的混合比例——即量子效应存在但不过度占主导地位时——产生了最好的结果。通过这种混合方法生成的图像在统计学上比纯经典方法生成的图像更接近真实的训练数据。该系统也更加一致，能够在多次尝试中可靠地产生高质量的结果。
在受到这些模拟实验的鼓舞后，团队进入了下一阶段：在实际硬件上进行实验。他们使用了一台来自 IBM 的真实量子处理器，这台机器目前仅包含数百个量子比特（即量子信息的最小单位）。这台特定的机器以噪声多而闻名，这意味着其计算经常受到环境的干扰。研究人员设计了一个电路，使用仅有的四个量子比特来生成图像。他们将像素的不同灰色调映射到由八个点组成的小环（或称循环）上的位置。随后，量子计算机运行了一个过程，让“行者”在这个环上移动，利用机器自带的自然噪声以受控的方式扰乱数据。
结果令人瞩目。尽管受到硬件限制，量子计算机仍成功生成了手写数字图像。虽然图像并不完美，但实验证明，量子设备可以被用来驱动生成式模型的正向过程。研究人员发现，机器固有的噪声以一种可以被人工智能随后学习并逆转的方式破坏了数据。这与通常的量子计算方法有显著不同，在传统的做法中，科学家们花费多年时间试图抑制噪声以获得清晰信号。在这里，噪声成为了过程的引擎。
这项研究还强调了这种方法的实际优势。由于模型的量子部分只需要处理单个像素的强度水平，因此所需量子比特的数量并不会随着图像尺寸的增大而增加。他们能够仅使用四个量子比特就生成完整的 28x28 像素图像。这种可扩展性表明，即使是小型、带噪声的量子计算机，最终也有可能参与生成更大、更复杂的图像。团队指出，虽然实际硬件生成的图像比模拟生成的略显模糊，但考虑到物理限制，这种差异是可以理解的。
最终，这项工作为量子人工智能的未来提供了新的视角。它挑战了“量子计算机必须完美之后才能发挥作用”的观点。通过展示真实量子设备的噪声可以被用来提升生成数据的质量，研究人员为一种新型的混合计算开启了大门。他们的发现表明，在不久的将来，我们可能不需要等待无误差的量子机器出现就能看到量子人工智能带来的益处。相反，我们可以从现在开始构建能够拥抱这种技术不完美、多噪特性的系统，从而创造出全新的、有用的东西。未来的路径在于完善这些方法，例如通过更好地理解不同机器中特定类型的噪声，但其核心理念——即噪声可以是一种资源而非障碍——已经得到了验证。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。